PII-Tracer traque les identifiants personnels jusqu'à leur dixième réapparition
— ÉTHIQUE
Perplexity présente un petit modèle capable de repérer un nom, un email ou un numéro de téléphone même s'il ressurgit quinze messages plus tard dans une conversation, avant tout envoi vers le cloud. Le filtre reste imparfait: il déclenche une alerte dans près de quatre conversations sur dix qui ne contiennent pourtant aucune donnée sensible.
Un email masqué au premier message d'une conversation ne sert à rien s'il réapparaît sans protection au quinzième échange. C'est le problème que Perplexity dit avoir isolé avec PII-Tracer, un modèle compact chargé de repérer les informations personnelles avant qu'une conversation ne parte vers un service distant, et de les retrouver à chacune de leurs réapparitions plutôt qu'une seule fois.
Ce genre de filtre concerne d'abord les éditeurs d'assistants conversationnels et les organisations qui leur confient des échanges chargés en informations sensibles: contrats, dossiers clients, coordonnées, historiques d'achat. La façon dont Perplexity mesure et règle cette détection pèsera sur la confiance que ces structures accordent aux outils hybrides local et cloud, et sur la vitesse à laquelle une requête est bloquée, filtrée ou transmise telle quelle.
Le chiffre qui compte pour juger l'outil n'est pas son score de détection brut mais son taux de fausses alertes: PII-Tracer signale une donnée personnelle dans 38,5 % des conversations qui n'en contiennent aucune. Concrètement, près de quatre demandes ordinaires sur dix risquent d'être ralenties ou interrompues pour rien, un coût direct pour n'importe quel usage professionnel intensif.
La limite la plus nette tient à la longueur des échanges. Sur une fenêtre d'analyse unique, la détection chute nettement au-delà de dix mille caractères, ce qui correspond à une conversation déjà longue et chargée en contexte. Perplexity corrige cela en faisant relire le texte par sections qui se chevauchent, ce qui redresse le résultat mais consomme davantage de calcul et dégrade légèrement la précision. Le réglage devient un arbitrage entre risque toléré et ressources disponibles sur l'appareil.
La vraie bascule proposée ici tient à la méthode de test plutôt qu'au modèle lui-même. Les benchmarks existants évaluaient des documents isolés; celui-ci évalue la mémoire d'une conversation entière, avec ses répétitions, ses reformulations et ses changements de statut d'un même nom selon le contexte. C'est une meilleure façon de poser le problème, mais Perplexity annonce une publication en licence libre sans dépôt encore accessible, donc sans possibilité de vérifier ces résultats hors de sa propre présentation.
Pour quiconque fait transiter des informations sensibles par un assistant conversationnel professionnel, ce travail confirme surtout qu'aucun filtre automatique ne dispense encore d'une vérification humaine sur les dossiers les plus exposés.